Psicologia Generale 2

Apprendimento per esperienza diretta

Processo grazie al quale acquisiamo conoscenze sul mondo, le codifichiamo in MLT, che contribuiscono a pianificare e guidare il comportamento, sostenere nuovi sforzi di apprendimento ed etei a e l’esito.

Approccio algoritmico

Come apprendiamo le informazioni su base statistica.

• Si impone di individuare quali processi di elaborazione sono effettivamente utilizzati dagli organismi per computare le funzioni.

Approccio computazionale

Cosa apprendiamo dalle informazioni di base statistica.

• Si impone di individuare quali funzioni un processo cognitivo approssima/computa a prescindere dalle informazioni algoritmiche.

Apprendimento basato su contingenze

Apprendimento top-down

• Inferenziale.
• Regole e ipotesi: des itti e “E…ALLORA.
• Associazioni: fo za di u ’asso iazio e.

Apprendimento bottom-up

• Contingenze A  B.
• Non è necessaria la ripetizione.
• Difficile estinzione.

Utili per:

• Previsione catena ambientale-mentale-comportamentale.
• Intervento comportamento attivo che agisce sul segnale.

Due aspetti di un unico fenomeno.

• Tutti i tipi di covariazione consentono ti creare aspettative (previsione o o a iazio e se pli e …-… ma solo uelli he so o il p odotto di u esso ausale o se to o –di progettare azioni finalizzate a un obiettivo (intervento covariazione basata su un soggiacente nesso causale).

Tavole di contingenza

= frequenza dei casi in cui Celle A, B o CONSEGUENZA (C) si è presentata o non presentata la Presente (+) Assente (-) conseguenza in presenza del Presente (+) A B SEGNALE (S) segnale. Assente (-) C D SEGNALE (S) = frequenza, nella stessa Celle C, D o unità di tempo, della conseguenza in assenza del segnale.

Le osservazioni in una tabella di contingenza possono essere sintetizzate in due valori con o proprietà condizionale probabilità di un evento a condizione che se ne verifichi un altro.

1. Probabilità della Conseguenza dato il Segnale: P(C|S) = a/(a+b) della Co segue za o osta te l’asse za del “eg ale:
2. Probabilità P(C|-S) = c/(c+d)

Delta P

�|�∆� = � − � �| − �Differenza tra due probabilità condizionali o Misura di covariazione capacità di un segnale di prevedere una conseguenza oltre quanto questa fosse già prevedibile in quel contesto in assenza del segnale.

I di a l’esiste za di u a o elazio e:

• P ese za di “ p odu e u i e e to dell’aspettati a he  Valore positivo: produce C (S potrebbe causare C).
• P ese za di “ p odu e u de e e to dell’aspettati a di C “ Valore negativo: potrebbe impedire/inibire la presenza di C).
• S e C non hanno alcuna covariazione specifica. Valore nullo:

Stimare il grado di causalità di un evento S verso un evento C è importante per:

1. Stabilire se un organismo di prepara a reagire a una conseguenza dato un segnale.
2. Se si comporterà in modo attivo per evitare/ottenere la conseguenza dato il segnale.

La stima dipende da:

• Dati di covariazione disponibili DeltaP.
• Altre conoscenze assunti relativi alle strutture causali del contesto.

Power PC

Indica la forza di correlazione del Delta P.

• Si basa sulle Teorie di Weber e Fechner sulla percezione aumenti di intensità a uno stimolo già forte non verranno percepiti, contrariamente aumenti di intensità di uno stimolo debole sono percepiti in modo maggiore.
• a iazio e di pe ezio e, o e l’i e e to/de e e to ella p o a ilità DeltaP condizionale di un evento.

La corretta stima di effetti causali di S deve riferirsi a quanto S rende probabile C, non in qualche contesto specifico dove possono agire altri fattori causali, ma in una situazione ideale dove sia solo S il fattore causale presente.

Funzione di potenza del Delta P

• �|−�� = ∆�/[� − � ]   tale formula vale per il applicabile a POW cause cause dove aumenta la probabilità della conseguenza (∆� > 0). generative,
• La formula che vale per applicabile a ovvero dove la POW cause preventive, presenza si S riduce la probabilità di C (∆� < 0) la formula per la stima della potenza �|−�� = ∆�/� causale è . ∆�
• La funzione di potenza del  è corretta e sensata se, e solo se, la potenziale causa S i dipe de te dall’i sie e di tutte le o ause he posso o p o o a e il edesi o effetto C.

La funzione di potenza del DeltaP è corretta e sensata se e solo se la potenziale causa S è i dipe de te dall’i sie e di tutte le o ause he posso o p o o a e il edesi o effetto C.

• Le diverse concause di uno stesso effetto possono combinarsi in una quantità di modi infinita: ogni possibile struttura è un modello causale.
• Caso standard delle cause indipendenti noisy OR.
• Disgiunzione probabilistica.

A v B è falsa se, e solo se, sono entrambe false.

A v B in tutti gli altri casi è vera.

P(C) = P(C|S1) + P(C|S2) [P(C|S1) * P(C|S2)].

• Descrizione matematica del caso in cui due concause siano indipendenti.

Grafo bayesiano

• Nodi (S) cause, non connessi tra loro. S1 S2
• Archi associazione della probabilità condizionale che quella causa, in assenza C dell’alt a, possa p o o a e l’effetto C.
• Effetto (C) Conseguenza.

La p o a ilità o plessi a dell’effetto otte uta o i a do le due probabilità con la funzione noisy or.

Due cause non sono indipendenti, interagiscono, quando la loro combinazione non segue una qualsiasi funzione di combinazione della probabilità che NON SEGUA LA NOISY OR.

Caso speciale sommazione lineare

• Sommazione lineare delle probabilità associate alle due cause:
• P(C) = P(C|S1) + P(C|S2)
• Le probabilità si sommano linearmente se, e solo se, gli eventi considerati sono mutuamente disgiunti e non indipendenti.
• Può indurre a errori psicologicamente rilevanti.

Se non si conoscono assunti (noti o ipotizzati) sulla struttura causale, è impossibile passare da giudizi di semplice covariazione a fondati giudizi di causalità.

È necessario conoscere la struttura causale (forma delle possibili interazioni tra cause e la loro assenza) per stimare il potere causale di un S su uno specifico C.

Effetto “ulla “tima della cau“alità’

dell’assu to di In quali circostanze possiamo essere maggiormente fiduciosi della fondatezza o i dipe de za? Qua do sia o oi stessi, att a e so u ’azio e olo ta ia, a p o o a e il manifestarsi o meno di S a parità di contesto interruttore della luce.

Teoria del supporto causale

• Approccio bayesiano e Power Pc.
• Lo sviluppo di tale teoria adotta la funzione di potenza del DeltaP per stimare delle diverse strutture causali alternative compatibili con il patte di dati statistici su cui o o esprimere un giudizio causale.

Metodi di studio

Quattro dimensioni metodologiche

1. Umani o Animali. Tipo di Partecipanti
2. Presentazione Simultanea o Seriale degli Stimoli.

Presentazione seriale

• Te po dell’espe i e to o ga izzato i pe iodo.
• In ogni periodo si presentano alcuni, o uno, stimoli eventi.
• Lo sperimentatore controlla le variabili indipendenti che lo interessano nella serie.
• Sia partecipanti umani sia partecipanti animali.

Presentazione simultanea

• Tutti gli stimoli vengono forniti contemporaneamente e in forma sintetica.
• Solo partecipanti umani.

Codice convenzionale

Condizione sperimentale:

• Fase di Training, Addestramento: Due eventi cue (A e B) sono compresenti ed asso iati alla o pa sa dell’out o e +  comparsa, - non comparsa). In BLOCCO ALL’INDIETRO: una seconda fase A non è più presente mentre B continua ad essere associato Fase 1: AB+. alla conseguenza (indicato con B+). Fase 2: B+.
• “i isu a o le isposte del pa te ipa te all’e e to A t o a dole Fase di Test:Test: A r o 0. nulle/assenti (0) o lievi (r); si indica con A r o 0.

Condizione di controllo:

• Controllo: AB+.  Test: A R
• È costituita da una sola fase analoga alla fase di training della fase sperimentale (AB+).
• Nella seconda fase si analizza la risposta dei partecipanti ad A.
• Nella fase di test si realizza una condizione di A R, indice che i partecipanti ha o a uisito A o e p editto e dell’Out o e.

Tipo di misura di apprendimento

Implicita:

• Sia animali sia altre specie. Risposta Comportamentale.
• Variabile Dipendente reazione comportamentale o fisiologica attivare una all’out o e. funzione riflessa
• Esempio: premere una leva.

Esplicita:

• Solo esseri umani risposta verbale.
• “ti a dell’asso iazio e/fo za ausale t a ue e out o e.

Valore incentivante dell’outcome

Particolarmente importante per la presentazione seriale e le misurazioni implicite.

• È la ale za edo i a positi a o egati a dell’out o e.
• L’U“ u i e ti o se i t i se a e te dotato di u ual he tipo di alo e edo i o.
• Il alo e i e ti o o dipe de dal fatto he l’U“ sia il isultato delle isposte dell’o ga is o, o o sia indipendente da esse.

Storicamente gli incentivi si dividono in Appetitivo, di rinforzo, e Avversivo, che indebolisce l’asso iazio e.

Ivan Pavlov

• Ivan Sechenov, Riflessi del Cervello eventi mentali sono il risultato di circuiti associativi riflessi fisiologicamente stabiliti dal cervello.
• Studi sulla digestione dei cani.

Modello degli esperimenti

• Partecipanti animali: Cani.
• Presentazione Seriale.
• Misure implicite.
• Quasi tutti con US incentivanti.

Pavlov osserva diversi fenomeni:

Edward Thorndike

• Comportamenti complessi.
• Puzzle Box e Gatti.
• Apprendimento Per Prove ed Errori, Condizionamento Strumentale.
• Curva di apprendimento curva che genera dalla misura degli RT in base al numero di prove effettuate, all’au e ta e del u e o di olte i ui il gatto e a i t odotto ella puzzle ox, diminuivano gli RT per la risposta.

Legge dell’effetto

• In un determinato contesto S, è prodotta una risposta R con esito positivo, allora la connessione tra Contesto-Risposta cresce aumenta la probabilità di riprodurre lo stesso comportamento nel contesto.
• Contrariamente, se il comportamento ha avuto esito negativo, il comportamento non sarà riprodotto nel contesto.

Burrhus Skinner

App ofo dis e gli “tudi sulla legge dell’Effetto

• Il condizionamento strumentale non riesce a spiegare tutti i tipi di apprendimento Contesto-Risposta.
• Gli organismi agiscono per ottenere conseguenze.
• defi is e se l’asso iazio e Co testo-Risposta-Conseguenza  Incentivo sarà ripresa o abbondata.

Modello degli esperimenti

• Partecipanti Animali.
• Presentazione Seriale.
• Misura Implicita.
• Outcome incentivanti.

Classificazione degli outcome

• Rinforzi sono più efficaci delle punizioni.
• Definizione Operativa di Rinforzo se una conseguenza era un rinforzo/punizione era stabilito dal es e e/ idu e della p o a ilità della isposta he l’a e a p e eduto.
• Rinforzi Primari valore incentivante intrinseco.
• Rinforzi Secondari privi di valore incentivante intrinseco, valore appetitivo/avversivo basato su condizionamento di secondo ordine.

Modellamento, SHAPING

• Addestramento a comportamenti molto complessi.
• L’a i ale ost uis e u a ate a o plessa di o po ta e ti/asso iazio i e otte e e l’i e ti o.
• L’app e di e to della p i a o po e te, ua do app esa, si i fo za.
• Si rinforza l’app e di e to della se o da.

Programmi di rinforzo

• Sono pattern con cui sono presentati gli outcome dopo il comportamento che si cerca di condizionare.
• Partecipanti imparano il pattern di rinforzo e vi si adattano imparano quali comportamenti sono più adatti al fine di ottenere un rinforzo.
• Qua do u a o segue za ha aggio a ia ilità, l’esti zio e della risposta che la provoca è più lenta il partecipante generalizza più lentamente il fatto che C non sia presentata in una prova al fatto che non verrà più presentata Effetti di variabilità.

Caratteristiche degli studi classici

• dell’app e di e to delle o ti ge ze di tipo A e B Studiati gli effetti (CS ^ US) e (CS ^ -US) e non gli effetti di contingenze di tipo C e D (-CS ^ US) e (-CS ^ -US).

Conclusioni classiche

• Ripetizione di Contingenze di Tipo A.
• Contiguità temporale tra CS e US in quelle contingenze.
• Valore incentivante di US in forma primaria/secondaria.

Ripetizione, contiguità, valore incentivo

Negli anni a seguire si è riusciti a stabilire che, nonostante e o sia o fatto i i po ta ti pe l’app e di e to guidato dall’espe ie za, non sono né necessari né sufficienti.

Sintesi delle prospettive rispondente e operante

Negli a i ’6 le due p ospetti e ispo de te ed ope a te o fluis o o i u a sola prospettiva unitaria.

• Ciò he suppo ta/i de olis e l’app e di e to saper fare, o non saper fare, previsioni o l’app e di e to i fo za sé stesso g azie a u a o ti ua o pa azio e t a iò accurate he a ia o app eso e, ua to e e o ale tali app e di e ti o se to o di capire/prevedere e controllare il nostro ambiente.
• Tutti i principali modelli algoritmici attuali che cercano di catturare i fenomeni noti o algo it i di iduzio e dell’e o e dell’app e di e to asso iati o bottom-up sono i